پیش بینی نوسانات عمق آب زیرزمینی با استفاده از مدل‌های هوشمند ( مطالعه موردی: منطقه حاجی آباد داراب)

از آن‌جایی‌که افزایش عمق آب زیرزمینی و تشدید آن می‌تواند بازگو کننده محدودیت‌های جدی در بهره‌برداری از این منابع باشد، پیش‌بینی تغییرات این پارامتر، قطعاً نقش مهمی در مدیریت این منابع و جلوگیری از وارد شدن آسیب‌های احتمالی به آن دارد. به این منظور استفاده از روش‌های هوشمند موکداً توسط محققین توصیه شده است. در این تحقیق از روش‌های شبکه عصبی پرسپترون چند لایه (mlp)، سیستم استنتاج فازی(fis) ، سیستم استنتاج فازی–عصبی تطبیقی(anfis)  و روش ترکیبی سیستم استنتاج فازی–عصبی و روش بهینه‌سازی ازدحام ذرات (anfis-pso) جهت شبیه‌سازی نوسانات عمق آب زیرزمینی در منطقه حاجی‌آباد داراب در محدوده زمانی اسفند 1373 لغایت مهرماه 1401 در مقیاس ماهیانه، با نسبت 75 به 25 به‌ترتیب برای مرحله آموزش و آزمون استفاده شده است. جهت سنجش دقت مدل‌ها از شاخص‌های جذر میانگین مربعات خطا (rmse)، میانگین درصد مطلق خطا (mape) و میانگین قدر مطلق خطا (mae) استفاده شد. بهترین نتایج در مرحله آموزش، به‌ترتیب مربوط به مدل‌های anfis-pso، anfis و mlp است. هم‌زمان با آموزش مدل‌های مذکور با تاخیرات زمانی متفاوت، مرحله آزمون مدل‌ها نیز به اجرا در آمد و نهایتاً بهترین نتایج در این مرحله به‌ترتیب برای مدل شبکه عصبی با تاخیر زمانی [5   3   1]، مدل anfis-pso با تاخیر زمانی [3   2   1] و مدل شبکه عصبی با تاخیر زمانی [2  1] به‌دست آمدند. شاخص‌های دقت در مرحله آزمون برای بهترین مدل‌ها، به‌صورت ذکر شده، به‌ترتیب (1871/0، 1865/0، 1857/0) برای rmse، (7402/0، 6715/0، 6684/0) برای mape و (1326/0، 1238/0، 1198/0) برای mae به‌دست آمد. این مقادیر نشان‌دهنده آن است که هر سه مدل خطایی کم‌تر از 20 سانتی‌متر، درصد خطایی کم‌تر از 75/0 درصد و خطای مطلقی کم‌تر از 14 سانتی‌متر داشته‌اند که حاکی از دقت قابل قبول این مدل‌هاست. هم‌چنین ضریب تعیین به‌دست آمده از رابطه رگرسیونی حاصل از مقادیر محاسبه شده و اندازه‌گیری شده عمق آب زیرزمینی در مرحله آزمون برای هر سه مدل در حدود 82/0 است، که نشان از ارتباط خطی نسبتاً قوی بین این دو پارامتر است.

prediction of groundwater depth fluctuations using intelligence models (case study: haji abad region in darab)

since the increase in the depth of groundwater and its intensification can indicate serious limitations in the exploitation of these resources, predicting the changes of this parameter plays an important role in managing these resources and preventing possible damage to them. for this purpose, the use of smart methods has been strongly recommended by researchers. in this research, the methods of multilayer perceptron neural network (mlp), fuzzy inference system (fis), adaptive neural fuzzy inference system (anfis), and the combined method of fuzzy neural inference system and particle swarm optimization (anfis-pso) were used for simulation of groundwater fluctuations depth in haji abad area between march 1995 to october 2022 on a monthly scale. the training and testing phases were done with 75 and 25 percent of data, respectively. to measure the accuracy of the models, root mean square error (rmse), mean absolute percentage error (mape) and mean absolute value of error (mae) indices were used. the best results in the training phase are related to anfis-pso, anfis, and mlp models, respectively. simultaneously with the training of the mentioned models, the testing stage of said models was also implemented. finally, the best results in this stage belonged to the neural network model with time delay [1 3 5], the anfis-pso model with time delay [1 2 3], and the neural network model with time delay [1 2], respectively. the accuracy indices in the test stage for the best models are (0.1871, 0.1865, 0.1857) for rmse, (0.7402, 0.6715, 0.6684) for mape, and (0.1326, 0.1238, 0.1198) for mae, respectively. these values show that all three models have an error of less than 20 cm, an error percentage of less than 0.75%, and an absolute error of less than 14 cm, which indicates the acceptable accuracy of these models. also, the coefficient of determination obtained from the regression relationship of the calculated and measured values of the groundwater depth in the test phase for all three models is around 0.82, which indicates a relatively high linear relationship between these two parameters.